課程
横断型教育プログラム
共通授業科目
学部・研究科
学年
学期
時限
曜日
講義使用言語
実務経験のある教員による
授業科目
授業カタログとは 授業カタログとは
JP EN
課程
横断型教育プログラム
共通授業科目
学部・研究科
学年
学期
時限
曜日
講義使用言語
実務経験のある教員による
授業科目
HOME 検索結果
学内のオンライン授業の情報漏洩防止のため,URLやアカウント、教室の記載は削除しております。
最終更新日:2024年10月18日

授業計画や教室は変更となる可能性があるため、必ずUTASで最新の情報を確認して下さい。
UTASにアクセスできない方は、担当教員または部局教務へお問い合わせ下さい。
文科系のための線形代数・解析Ⅱ
詳細を見る MIMA Search
「文科系のための線形代数・解析I」に引き続き、経済学や統計学、データ科学などにおいて必要とされる線形代数、解析の基礎を学ぶ。線形回帰、二変数関数の微積分、基本的な最適化手法などを理解し、簡単な問題に応用できるようになることを目標とする。講義とMATLABを用いた演習を並行して進めることで実践で役立つ理解を目指す Continuing from "Linear algebra and analysis for students of humanities and social sciences major I," learn the fundamentals of linear algebra and analysis needed in economics, statistics, and data science. The goal is to understand linear regression, calculus of bivariate functions, and basic optimization methods, and to be able to apply them to simple problems. Lectures and exercises using MATLAB will be given in parallel for a practical understanding of the subject
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
0704123
FEC-ST4801L1
文科系のための線形代数・解析Ⅱ
藤堂 眞治
S2
月曜2限、木曜2限
マイリストに追加
マイリストから削除
文科系のための線形代数・解析Ⅰ
詳細を見る MIMA Search
経済学や統計学、データ科学などにおいて必要とされる線形代数の基礎を学ぶ。二次元・三次元の線形写像と行列、固有値分解などを理解し、簡単な問題に応用できるようになることを目標とする。講義とMATLABを用いた演習を並行して進めることで実践で役立つ理解を目指す Learn the basics of linear algebra required in economics, statistics, and data science. The goal is to understand two- and three-dimensional linear maps and matrices, eigenvalue decomposition, etc., and to be able to apply them to simple problems. Lectures and exercises using MATLAB will be given in parallel for a practical understanding of the subject
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
0704122
FEC-ST4801L1
文科系のための線形代数・解析Ⅰ
藤堂 眞治
S1
月曜2限、木曜2限
マイリストに追加
マイリストから削除
最適化手法
詳細を見る MIMA Search
現代の理工学の様々な局面にて重要性が増している数理最適化手法の基礎を解説する。Basic methodologies of mathematical optimization are explained.
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
FEN-AM2150L1
FEN-AM2150L1
最適化手法
佐藤 一宏
A1 A2
月曜3限
マイリストに追加
マイリストから削除
数理最適化特論
詳細を見る MIMA Search
本講義では連続最適化を中心に解説を行う.これまで連続最適化手法は様々な分野で用いられているが,特に近年,機械学習分野で盛んに用いられている.機械学習分野の応用例として,大規模な最適化問題が登場することが多々あり,大規模な問題を早く解くための手法が必要とされている.そのため ,1次法(目的関数の1次の微分情報を利用した解法)が再び注目されている.  本講義では,1次法の基本的なアルゴリズム(最急降下法),1次法における最近の進展,またアルゴリズムの理論的保証(収束性など)の与え方について学ぶ.また,2次法(ニュートン法など)や制約付き最適化手法についても紹介する.
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
4820-1032
GIF-MA6217L1
数理最適化特論
武田 朗子
S1 S2
水曜3限
マイリストに追加
マイリストから削除
統計学I[広域システムコース]
詳細を見る MIMA Search
現代の『統計学』は様々な学問分野(機械学習・人工知能・制御理論・信号処理・統計物理等々)に波及した、『統計科学』と呼ぶべきものになっている。この授業では幅広い分野で欠かせない、統計学の基礎・本質的な考え方・解析手法を学ぶ。現代的な視点から特に重要と思われる項目を選択的に取り扱い、様々な場面で実用性の高い統計学の解析手法を解説する。この授業は講義「統計学実習」と連動しており、実習を通じて、講義で学んだ解析手法を、自ら使えるようになることを目標としている。
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
08D1306
FAS-DA2E06L1
統計学I[広域システムコース]
大泉 匡史
A1 A2
月曜2限
マイリストに追加
マイリストから削除
統計学実習[広域システムコース]
詳細を見る MIMA Search
現代の『統計学』は様々な学問分野(機械学習・人工知能・制御理論・信号処理・統計物理等々)に波及した、『統計科学』と呼ぶべきものになっている。この講義では、この講義と連動した講義である「統計学/統計学I」で学習した統計解析の手法を使って実際のデータ解析を行う。解析には、現代のデータ分析や機械学習においては代表的なプログラミング言語の一つであるpythonを用いるが、他のプログラミング言語を用いて解析を行っても問題ない。実習を通じて解析手法の理解を深め,受講者自身が様々な場面において適切な解析手法を自ら選び、使えるものにすることを目標とする。
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
08D1310
FAS-DA2E09P1
統計学実習[広域システムコース]
大泉 匡史
A1 A2
木曜5限
マイリストに追加
マイリストから削除
数理計画と最適化2
詳細を見る MIMA Search
外界から情報を取り入れ,知的な行為をするエージェントを構成するための方法論(数理計画と最適化手法)の確立を目指す.
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
FEN-SI3712L1
FEN-SI3712L1
数理計画と最適化2
太田 順
A1
木曜1限、木曜2限
マイリストに追加
マイリストから削除
統計学(PEAK)
詳細を見る MIMA Search
To provide students with a basic knowledge of probability and statistics, and to introduce students to scientific programming using R, the statistical programming language.
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
31223
CAS-PG1F20L3
統計学(PEAK)
シェファーソン リチャード 
S1 S2
金曜4限
マイリストに追加
マイリストから削除
31225
CAS-PG1F20L3
統計学(PEAK)
シェファーソン リチャード 
S1 S2
金曜4限
マイリストに追加
マイリストから削除
システム理論II
詳細を見る MIMA Search
本講義では、教師なし学習と教師あり学習の基本概念と発展的手法について学ぶ。 教師なし学習では、確率・統計の基本的な概念、グラフィカルモデル、統計的因果探索に焦点を当て、データ間の隠れた構造や因果関係を明らかにする手法を学ぶ。 教師あり学習では、最小二乗法による線形回帰、学習と過学習の理解、カーネル法や加法モデルに焦点をあて、ブラックボックスでない非線形回帰手法を通じてモデルを理解する方法について学ぶ。 This course covers the fundamental concepts and advanced techniques in both unsupervised and supervised learning. In the unsupervised learning section, the focus is on basic concepts in probability and statistics, graphical models, and statistical causal discovery, learning methods to reveal hidden structures and causal relationships in data. In the supervised learning section, the focus is on linear regression through the least squares method, learning and overfitting, and kernel methods and additive models, learning methods to understandn non-black-box models through nonlinear regression techniques.
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
31D282-0020A
GAS-SS6A02L1
システム理論II
松島 慎
A1 A2
月曜5限
マイリストに追加
マイリストから削除
システム理論II
詳細を見る MIMA Search
本講義では、教師なし学習と教師あり学習の基本概念と発展的手法について学ぶ。 教師なし学習では、確率・統計の基本的な概念、グラフィカルモデル、統計的因果探索に焦点を当て、データ間の隠れた構造や因果関係を明らかにする手法を学ぶ。 教師あり学習では、最小二乗法による線形回帰、学習と過学習の理解、カーネル法や加法モデルに焦点をあて、ブラックボックスでない非線形回帰手法を通じてモデルを理解する方法について学ぶ。 This course covers the fundamental concepts and advanced techniques in both unsupervised and supervised learning. In the unsupervised learning section, the focus is on basic concepts in probability and statistics, graphical models, and statistical causal discovery, learning methods to reveal hidden structures and causal relationships in data. In the supervised learning section, the focus is on linear regression through the least squares method, learning and overfitting, and kernel methods and additive models, learning methods to understandn non-black-box models through nonlinear regression techniques.
時間割コードを開く
時間割コードを閉じる
時間割/共通科目コード
コース名
教員
学期
時限
31M282-0020A
GAS-SS6A02L1
システム理論II
松島 慎
A1 A2
月曜5限
マイリストに追加
マイリストから削除
1 2 3 4 5

1-10 / 全3470件